Mais c’est quoi, la data quality (et pourquoi c’est important en marketing automation) ?

Voilà un thème dont nous parlons de plus en plus dans les couloirs chez Invox (nota : c’est une expression, on ne parle pas vraiment dans les couloirs, on préfère la salle détente, les postes de travail, les poufs de la zone repos ou la table d’hôte 🙂 ). La data quality a en effet fait son entrée en force depuis quelques mois déjà… et nous ne vous en avons jamais vraiment parlé encore. Allez, on répare cet oubli !

C’est quoi, la data quality ?

Commençons par le début. La data quality – ou qualité de la donnée en bon français – c’est tout simplement à la fois la mesure du niveau de pertinence des données que vous avez dans votre base de contacts, et le fait de mettre en place des actions correctives ou structurelles pour assurer que, justement, la qualité de vos données soit optimale et s’améliore dans le temps.

Petit approfondissement…

Tout d’abord on va chercher à savoir si vos données sont de qualité. Cela amène forcément à se poser la question de ce que l’on vise comme niveau de qualité. On parle donc ici :

• d’obsolescence (on part souvent du principe qu’entre 20 et 30 % des contacts d’une base deviennent obsolètes par an) ;
• d’erreurs potentielles, notamment liées à toutes les saisies manuelles ;
• de doublons, en raison de systèmes pas forcément connectés, ou d’empilements successifs de données ;
• de notions « qualitatives » avec la complétion des fiches contacts (un nom + e-mail vaut moins qu’un poste, un nom d’entreprise, et quelques informations de contexte ou de ciblage / segmentation).

Ensuite, il y a la question de « ce qui est en place pour assurer que la donnée est et reste de qualité ». Là, c’est assez vaste comme sujet, mais on peut citer, pêle-mêle (car on y reviendra plus en détail dans d’autres articles ou livres blancs) quelques initiatives intéressantes :

• l’audit initial, permettant de voir quelle partie de la base est de qualité, quelle autre partie est « sauvable », et quelle dernière partie est « à jeter » (ne serait-ce qu’au regard du RGPD) ;
• les actions de sauvetage one-shot, qu’elles soient faites à la main (coucou les commerciaux) ou de manière plus automatique (coucou les outils de dédoublonnage et d’enrichissement) ;
• les actions préventives de différents ordres : la formation (notamment auprès des commerciaux), les process automatisés, la structure de la donnée (les champs fermés, par exemple, limitant les risques de saisie), l’ergonomie des points d’entrée de données (les formulaires en ligne à la place du papier sur les salons, l’obligation de saisir certains champs pour pouvoir ouvrir ou clore une opportunité et permettre aux commerciaux d’avoir leur rémunération)…

En gros, donc, analyser pour avoir une idée du niveau de problème, corriger et nettoyer ce qui peut l’être, et assurer que sur le long terme le système pousse la qualité de la donnée vers le haut. Ce serait en effet ballot, tel Sisyphe et son mythique caillou, de devoir sans cesse mener des actions correctives car l’on recrée de la mauvaise qualité au quotidien…

C’est quoi le problème si on ne tacle pas le sujet data quality pour de vrai ?

À ce stade de l’article, vous devriez avoir une plutôt bonne compréhension du problème : en gros, la plupart des bases ne sont pas « propres », et rien n’est fait pour qu’elles le deviennent. On accumule donc, un peu comme dans les cas sévères de syllogomanie, des données sur tout et n’importe quoi (surtout n’importe quoi), de plus ou moins bonne qualité et fraîcheur.

Si cela est en apparence rassurant (« au moins, j’ai tout, ça peut toujours servir, c’est dommage de jeter »), c’est en réalité une belle bêtise. Un peu à l’instar du courant minimaliste (on possède trop de choses, on s’embarrasse de biens qui ne servent pas et au final empêchent de profiter réellement de ce qui a de la valeur) – et d’ailleurs aussi de celui qui coule depuis quelques années du « moins mais mieux » en termes de contenus – nous travaillons avec nos clients à réduire le nombre de contacts qu’ils ont dans leurs bases, et à mieux les connaître, les profiler, les segmenter…

Oui, c’est paradoxal. Mais pour autant, c’est vital ! Accumuler les contacts (on a vu des cas aigus avec des MILLIONS de contacts, dont seulement 5 % étaient réellement engagés) sur qui on n’aura aucune prise ni aucune visibilité, c’est se créer une charge mentale forte (et une charge financière aussi, lorsque les outils de marketing automation facturent au contact…).

Tout l’enjeu aujourd’hui (bien aidé par le RGPD qui a vidé quelques milliers de bases en France) est donc de produire de la qualité de données qui permette au marketing de juger de la réelle efficacité de ses actions (et non pas d’agir parmi 80 % de zombies dans la base). Mais aussi de se concentrer sur les contacts qui en valent le coup, et de remonter des leads de qualité aux équipes commerciales. C’est ensuite aux tour des commerciaux de s’appuyer sur de meilleures informations pour prendre le relai, et de préserver cette recherche de qualité en ayant bien compris (en ayant été suffisamment évangélisés / accompagnés / formés) tout l’intérêt pour eux sur le long terme…

Pour résumer, donc, sans réelle prise en main du sujet data quality, il y a de fortes chances que vous rencontriez l’un des désagréments possibles :

• présence dans votre base de 20 % de personnes qui ne sont plus en poste ;
• données hétérogènes, avec difficulté de segmenter proprement la base (et donc moins de moyens d’actions possibles) ;
• coût important pour rendre qualitative une donnée qui ne l’est jamais ;
• yeux des commerciaux qui se lèvent quand on leur parle de l’importance de « cleaner la base » – certains pourraient même soupirer ;
• taux d’ouverture / de clics qui se cassent la gueule progressivement ;
• difficulté à mettre en place des automatisations sur base de données peu fiables ;
• flou RGPD pour le moins artistique ;
• découragement face à l’ampleur de la tâche sur la durée si rien ne s’améliore progressivement…

Bref, vous avez tout intérêt à avoir une base propre, les process pour qu’elle le reste, le max de data sur ceux qui en valent le coup… et des actions qui délivrent de la valeur pour les équipes marketing et commerciales !

Du coup, comment mettre en route un chantier data quality ?

Pour commencer, vous pouvez télécharger notre checklist data quality. Comme nous sommes sympas et que nous militons pour des bases de contacts propres, bien ordonnées, voici les quelques questions (et étapes) qu’il faudra suivre pour avancer sur le sujet. Et bien évidemment, nous sommes à votre disposition pour baliser avec vous les problématiques de data quality avec nos workshops dédiés (audit, actions correctives, mise en place des process nécessaires). Contactez-nous avant qu’il ne soit trop tard ! 😉

• Où sont vos différentes données aujourd’hui ? De quand datent-elles ? Sont-elles opt-in ? Les contacts ont-ils ouvert ou cliqué depuis moins de 6 mois ?

On est ici dans l’audit de l’existant, avec une première phase de cartographie des données, puis d’analyse des signes de vies de la base.

• Quels sont les champs dont on a vraiment besoin ? À quel moment du parcours du lead (notion de progressive profiling intéressante ici) ? Est-ce que la donnée est hétérogène ou homogène ? Quel pourcentage de chaque champ est rempli ? Peut-on avoir confiance dans la donnée ?

Là, le travail est plus long et complexe. Il faut en effet partir de la structuration de la base de données, où bien souvent on se rend compte que les champs vraiment utiles ne sont pas tous configurés, et qu’à l’opposé de nombreux champs pas très intéressants sont présents.

Une fois que l’on a listé les champs sur lesquels on veut vraiment se battre, on va pouvoir analyser la qualité des saisies, avec une recherche de « fermeture » des possibilités (par exemple en préférant un champ déroulant qu’un champ texte dès que cela est possible).

• Comment on organise le cleaning ? Qui s’y colle ? Quand ?

On sait d’où l’on part, et l’on sait quels champs comptent réellement. Il est donc possible à partir de là de mettre en place une action corrective (a.k.a. une rustine). Reste à savoir qui va le faire… Marketing, Sales, agence externe ? Bien souvent, il y a matière à une première collaboration entre Marketing et Ventes. En plus, quand on a galéré ensemble à nettoyer une base, on a plutôt tendance à en prendre soin après… et à mieux comprendre l’intérêt de le faire régulièrement !

• Comment on gère l’export des différents systèmes ? Comment on réuploade tout ça dans notre base marketing ?

Il y a évidemment une notion « technique » et purement opérationnelle, liée à l’import et l’export des contacts. Il y a de fortes chances pour que les données soient éparses aujourd’hui (un des axes de la data quality est de faire converger la saisie de TOUTES les données de contact via l’outil de marketing automation et via la synchro CRM). Surtout entre le CRM, les différents outils d’emailing, les bases événementielles, les achats passés, les partenariats, ce qui a été constitué « à la main », le social selling, les retours de salons…

Une fois identifiées toutes les sources, il est intéressant de reposer les bases de la stratégie d’upload dans l’outil (avec en prime les validations de qualité de données). Puis d’harmoniser et d’automatiser ces processus (usage des formulaires de l’outil de marketing automation notamment, ou utilisation de Zapier par exemple).

• Comment le CRM est-il structuré ? Est-il bien utilisé ? Est-il ergonomique ? En ressort-on des données pour le pilotage des commerciaux ? Y a-t-il un reward pour pousser au bon usage de celui-ci ?

Une grande partie de la donnée commence sa vie dans le CRM, au gré des coups de fils et des rendez-vous physiques avec les commerciaux. La manière dont celui-ci est configuré est clé dans la qualité de la donnée sur le long terme, tout comme la capacité à faire adhérer les profils Sales à l’importance de la donnée de qualité.

Evangélisation, formation, puis accompagnement aux process avec un vrai suivi, du reporting et un reward de ceux qui jouent le jeu : voilà comment la bataille Data+CRM peut être gagnée ! 🙂

• Quelles obligations nous donnons-nous pour que la donnée soit bonne dans le temps ? Quel outil de reporting utilise-t-on pour piloter les résultats de nos chantiers de data quality ? Avons-nous dans le Lead SLA des choses (plus ou moins contraignantes) sur ces sujets ?

C’est le niveau ultime de la réflexion data quality : que l’entreprise ait atteint un niveau de maturité lui permettant de piloter régulièrement le niveau objectif de la base de données et des actions de chacun. Le cap à tenir pour que chacun des chantiers précédents prenne son sens et puisse être évalué, dans une optique d’amélioration continue…

Je suis bien conscient que cet article ne fait qu’éclairer un peu le sujet, et ne contribue que partiellement à la mise en place de tout ce qui fait la réussite d’une démarche de data quality. Mais nous sommes vraiment convaincus chez Invox que c’est la marche à suivre et que ceux qui le feront régulièrement sur les prochaines années auront un patrimoine « Data Marketing-Ventes » important. Et au-delà de la base en elle-même, qu’ils auront cultivé la culture data auprès de leurs équipes marketing et commerciale.